学习算法、专用芯片、智能网络、云上数据：未来智能世界的信息基础设施

一、深度学习算法可以完成大多数智能计算任务

伊恩（Ian Goodfellow）“老爷子”在《深度学习》一书的引言中讲了一个有趣的结论：“神经学家们发现，如果将雪貂的大脑重新连接，使视觉信号传递到听觉区域，他们可以学会用大脑的听觉处理区域去‘看’。这暗示着大多数哺乳动物的大脑使用单一的算法就可以解决他们大脑可以处理的大部分不同任务。”

而他所说的“大部分”不同任务，就是类似于人类能够很容易的从复杂的环境中找出活动的人，判断出他在做什么运动、大概年龄，以及更深层的理解是否健康、心情如何等，目前传统计算机算法很难处理，也是实现人工智能必须的任务。伊恩等深度学习专家，认为深度学习算法只要科学的进行分层组合，就能够完成几乎所有的“智能计算”。

事实证明：通过引入深度学习算法，语音识别算法错误率降低了一半；在行人检测和图像分割中取得了引人注目的成功；DeepMind表明，基于深度学习算法的强化学习系统能够在Atari视频游戏中完胜人类。

有了这样一个智能领域的“通用算法”，距离实际应用还差什么呢？超强的实时计算能力，庞大的新鲜的数据集！

二、泛在的深度学习计算需要专用芯片支撑

GPU，很多的GPU，昂贵的GPU是目前训练复杂神经网络的“神器”。这种为图形计算研发的专用处理芯片，功耗、价格、尺寸都不适合现实的智能应用场景。

典型的智能应用场景，比如自动驾驶汽车、智能机器人，无疑是最具潜能的智能产品，均需要小型化、高可靠、低功耗、小尺寸的处理器，要大规模推广更是需要价格的低廉。明显当前的GPU是不符合要求的。

12月20日，机器学习领域大牛余凯，从百度离职后创办的“地平线”公司，推出了“征程（Journey）”和“旭日（Sunrise）”两款人工智能芯片。自身将其定位为“中国首款全球领先的嵌入式人工智能视觉芯片”。当然，更多芯片厂商也都进入了这片蓝海。大量的经费、技术、资源引入，肯定会出现越来越多的深度学习专用芯片，配套的视频识别、语音翻译专用系统集成模块。让整个行业，更快的告别用通用GPU完成深度学习的历史。

三、大数据为实用系统提供上帝视角

独立的不联网的自动驾驶汽车是过去几十年研究的热点，包括雷达防碰撞、行人识别、路径规划等，这些算法均是离线完成的。而我们需要的是什么样的一个自动驾驶汽车呢。

“比雇佣一个专职司机还要好”：上车，告诉汽车目的地，一切就不用管了。汽车去寻找最快的路线，实时调整路线，自动规避堵塞、施工路段。而这些超越人类司机的上帝视角，需要云端数据的支持。

设想5年后，随着“城市大脑”的逐步完善，城市智能化设施越来越多，信号灯不再是固定的50秒红灯、30秒绿灯了，而是根据车流实时调整。有些车道也不是固定的双向4车道、8车道，而是大量建设可变车道，可以根据不同方向车流调整左右车道数量。

这时的自动驾驶就必须和城市大脑同步，联合分析、规划，独立的个体和统计意义上的整体协同决策。最可靠的方法当然是，复杂的计算，宏观的决策交给“云”来做，实时的，只涉及个体行为的计算交给“端”来做。

推而广之，服务机器人作为人类的大脑、手脚的延伸，必须获取社会上的潮流趋势，精彩活动，才能为人类提供更加美妙的服务。而这些宏观的数据挖掘是需要大数据云计算支撑的。

四、每个人都生活在智能网络中

梅特卡夫定律指出：网络的价值随着用户数平方的增长而增长，即与用户数平方成正比。简单理解就是，网络上的“节点”越多，网络的整体价值越大，单个节点获得的价值越多，即“越共享越富有”。智慧何尝不是呢？互相启发分享，可以使每个人变得越来越聪明。联网的汽车之间向人一样的通话（车联网的基本思路），是不是可以大量降低出现擦碰的风险。几个汽车组成一个团体，是不是可以“跟随”行进，不需要每个人都计算，这是智慧网络带来的好处。放而远之，如果所有的车辆都入网了，是不是汽车的投票就能够决定“信号灯”的行为。单个芯片推动个人的智能，广泛的互联推动社会的智能。我们向网络贡献智慧，网络向我们分享智慧。

在当前的技术图谱中，预见10年之内的智慧网络应该是这样的：5G网络提供高带宽而普适、泛在的接入；公共云平台逐步汇聚越来越多的数据，形成全球共用的人脸数据库、基因库、城市地图等智能算法所需的基础“数据资源”；越来越多的基于专用芯片的行业应用模型可靠、高效、廉价；智能芯片产生的决策可以调控的一个个电子开关和驱动电机直接改变物理世界。

借用凯文凯利在《科技想要什么》一书中所用的“拟人”化比喻：电动马达是肌肉，传感器是眼睛、耳朵，网络是神经，各种能源管道是血管，而最核心的广泛互联的智能芯片和共享的数据，像神经元一样组成了人类的大脑。

随着网络技术、芯片技术、大数据技术的同步发力，这是一种趋势和必然，不以人的意志转移。